如何通过深度学习在计算机视觉领域发展能力

计算机视觉可能是受深度学习发展影响最大的领域之一。

在计算机视觉领域，利用深度学习来解决问题，并发展和展示能力，可能很困难。人们不清楚该如何入门，哪些是最重要的技术，以及哪些类型的问题和项目能最好地突出深度学习在该领域带来的价值。

一种方法是系统地发展和同时展示在数据处理、建模技术和应用领域的 competence，并通过完成项目的公开作品集来展示您的成果。这种方法允许您从一个项目到另一个项目积累技能。它还为实际项目提供了基础，这些项目可以展示并与潜在雇主讨论，以证明您的能力。

在这篇文章中，您将了解如何发展和展示在计算机视觉问题中应用深度学习的能力。

阅读本文后，你将了解：

• 建立一个小型已完成项目组合，既可以在未来新项目中加以利用，也可以展示您在计算机视觉深度学习项目中的能力。
• 项目范围可以保持较小，但仍能展示系统的问题解决方法和熟练模型开发。
• 可以遵循一个三级能力框架，包括数据处理能力、技术能力和应用能力。

通过我的新书《计算机视觉深度学习》来启动您的项目，其中包括分步教程和所有示例的 Python 源代码文件。

让我们开始吧。

如何培养和展示计算机视觉深度学习能力
图片来自 Sole Perez，保留部分权利。

概述

本教程分为三个部分；它们是：

1. 用于计算机视觉的深度学习
2. 开发小型项目组合
3. 计算机视觉深度学习能力框架

用于计算机视觉的深度学习

深度学习发展影响最大的领域之一可能就是计算机视觉。

计算机视觉是人工智能的一个子领域，主要关注理解图像（如照片和视频）中的数据。

计算机视觉任务，如识别手写数字和照片中的物体，是一些早期案例研究，展示了现代深度学习技术实现最先进结果的能力。

作为一名实践者，您可能希望在计算机视觉领域发展并展示您的深度学习技能。

这确实假定了一些事情，例如

• 您熟悉应用机器学习，这意味着您能够端到端地完成预测建模项目并交付熟练的模型。
• 您熟悉深度学习技术，这意味着您知道主要方法之间的区别以及何时使用它们。

这并不意味着您是专家，仅仅表示您具有实践知识，能够系统地解决问题。

作为机器学习甚至深度学习从业者，您如何展示在计算机视觉应用方面的能力？

开发小型项目组合

通过基于项目的方法，可以发展和展示计算机视觉深度学习的能力。

具体来说，通过完成并展示在计算机视觉问题上使用深度学习技术的小型项目，可以逐步建立和展示技能。

这要求您建立一个已完成项目的作品集。作品集在两个方面对您有所帮助

• 技能发展：作品集中的项目代码和研究结果可以被您用于未来的项目，加速您的进步，并让您能够承担更大、更具挑战性的项目。
• 技能展示：项目的公开展示提供了您能力的证明，为与潜在雇主讨论 API、模型选择和设计决策提供了基础。

项目可以专注于标准的公共计算机视觉数据集，例如由学者开发和托管的，或用于机器学习竞赛的数据集。

项目可以系统地完成，包括明确的问题定义、相关文献和模型的审查、模型开发和调整，以及以报告、笔记本甚至幻灯片演示形式呈现结果和发现等各个方面。

项目规模很小，这意味着它们可以在一个工作日内完成，也许会分散到几个晚上和周末。这很重要，因为它限制了项目的范围，使其侧重于工作流程和交付熟练的结果，而不是开发最先进的结果。

计算机视觉深度学习能力框架

项目可以精心选择，以便在挑战或复杂性方面以及在杠杆或技能发展方面都得以提升。

以下是一个三级框架，用于开发和展示计算机视觉深度学习能力，适用于已熟悉应用机器学习基础和深度学习基础的实践者

• 一级：数据处理能力。您知道如何加载和操作图像数据。
• 二级：技术能力。您知道如何定义、拟合和调整卷积神经网络。
• 三级：应用能力。您能够为常见的计算机视觉问题开发熟练的深度学习模型。

一级：数据处理能力

数据处理能力指的是加载和转换数据的能力。

这包括基本的输入/输出操作，例如加载和保存图像或视频数据。

最重要的是，它涉及使用标准 API 来操纵图像数据，以便在为深度学习神经网络建模准备数据时可能有用。

示例包括

• 图像调整大小和插值。
• 图像模糊和锐化。
• 图像仿射变换。
• 图像白化和阈值化。

数据处理可以通过多种图像处理 API 来演示，例如

• SciPy/NumPy.
• scikit-image.
• Python 图像库（Pillow）
• OpenCV.

它可能包括机器学习和深度学习库的基本数据处理能力，例如

• scikit-learn 特征提取 API
• Keras 图像预处理 API

您在 Python 中最喜欢的图像处理 API 是什么？
在下面的评论中告诉我。

二级：技术能力

技术能力指的是使用专门用于计算机视觉问题的深度学习模型和方法的能力。

这从高层次包括三类主要方法

• 多层感知器，或 MLP。
• 卷积神经网络，或 CNN。
• 循环神经网络，例如长短期记忆网络，或 LSTM。

更具体地说，这需要展示出如何配置和充分利用 CNN 中使用的层的强大技能，例如

• 卷积层.
• 池化层.
• 层的组合模式。

这还可能包括对某些通用有效模型类的技能，例如

• ImageNet CNN，例如 AlexNet、VGG、ResNet、Inception 等。
• CNN-LSTMs、LSTM-CNNs 等。
• R-CNNs、YOLO 等。

您在计算机视觉领域最喜欢的深度学习技术是什么？
在下面的评论中告诉我。

三级：应用能力

应用能力指的是能够解决特定的计算机视觉问题，并使用深度学习方法提供一个熟练的模型。

一个熟练的模型意味着该模型能够做出比朴素基线方法性能更好的预测。这并不意味着达到最先进的结果并复制论文中的模型和结果，尽管如果它们在小型项目的范围内，它们也是不错的项目想法。

项目应系统地完成，包括以下大部分甚至所有步骤

1. 问题描述。描述预测建模问题，包括领域和相关背景。
2. 文献综述。描述使用深度学习方法解决该问题的标准或常见方法，如开创性研究和/或近期研究论文所述。
3. 数据汇总。描述可用数据，包括统计摘要和数据可视化。
4. 评估模型。对一系列模型类型、配置、数据准备方案等进行抽样检查，以缩小在该问题上效果良好的范围。
5. 提升性能。通过超参数调整和集成方法来提升效果良好的模型或模型的性能。
6. 展示结果。展示项目成果。

在此过程之前，第零步，可能是选择适合项目的公开数据集。

计算机视觉深度学习的基石是图像分类，通常称为图像识别或目标检测。这涉及根据图像（通常是照片）预测类别标签。

此类问题应成为焦点。

此类型的两个标准计算机视觉数据集包括

• 手写数字分类（例如 MNIST 和 SVHN）。
• 物体照片分类（例如 CIFAR-10 和 CIFAR-100）。
• 人脸照片分类（例如 VGGFace2）

一个相关的计算机视觉任务是识别照片中一个或多个物体的位置，也称为物体识别、物体定位或分割。

• 物体识别与定位（例如 COCO）

还有一些任务涉及计算机视觉和自然语言处理的混合，例如

• 图片字幕（例如 Flickr8k）

最后，还有一些计算机视觉任务可以通过操纵现有标准数据集或照片目录来完成，例如

• 照片上色.
• 照片重建.
• 照片超分辨率.
• 照片合成（例如 深度伪造）。

您最喜欢的深度学习在计算机视觉中的应用是什么？
在下面的评论中告诉我。

进一步阅读

如果您想深入了解，本节提供了更多关于该主题的资源。

API

• 多维图像处理（scipy.ndimage）API
• 多维图像处理（scipy.ndimage）教程
• scikit-image
• Pillow
• OpenCV
• OpenCV Python 教程
• sklearn.feature_extraction：特征提取 API
• Keras 图像预处理 API

数据集

• MNIST 数据集
• SVHN 数据集
• CIFAR 数据集
• VGGFace2 数据集
• COCO 数据集
• Flickr8k 数据集

文章

• 计算机视觉，维基百科.
• 电影彩色化，维基百科.
• 超分辨率成像，维基百科.
• 数字照片修复，维基百科.
• 深度伪造，维基百科.

总结

在这篇文章中，您了解了如何在计算机视觉问题中发展和展示深度学习的能力。

具体来说，你学到了：

• 建立一个小型已完成项目组合，既可以在未来新项目中加以利用，也可以展示您在计算机视觉深度学习项目中的能力。
• 项目范围可以保持较小，但仍能展示系统的问题解决方法和熟练模型的开发。
• 可以遵循一个三级能力框架，包括数据处理能力、技术能力和应用能力。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。

立即开发用于视觉的深度学习模型！

在几分钟内开发您自己的视觉模型

...只需几行python代码

在我的新电子书中探索如何实现
用于计算机视觉的深度学习

它提供关于以下主题的自学教程：
分类、物体检测（YOLO和R-CNN）、人脸识别（VGGFace和FaceNet）、数据准备等等……

最终将深度学习引入您的视觉项目

跳过学术理论。只看结果。

查看内容